CN103091330A - 模拟人类视觉感知机理的铜带表面缺陷辨识装置及方法 - Google Patents
模拟人类视觉感知机理的铜带表面缺陷辨识装置及方法 Download PDFInfo
- Publication number
- CN103091330A CN103091330A CN2013100098058A CN201310009805A CN103091330A CN 103091330 A CN103091330 A CN 103091330A CN 2013100098058 A CN2013100098058 A CN 2013100098058A CN 201310009805 A CN201310009805 A CN 201310009805A CN 103091330 A CN103091330 A CN 103091330A
- Authority
- CN
- China
- Prior art keywords
- image
- sigma
- copper strip
- strip surface
- surface defect
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种模拟人类视觉感知机理的铜带表面缺陷辨识装置及方法,能够识别铜带再生产和储运过程中表面可能产生的各种缺陷如凹陷、划痕、油污、毛边、缺口等,提高了铜带表面的缺陷检测和分类能力,并且提高了识别的精确度和速度,也有很高的效率。不但能满足当前企业对铜带表面信息检测的需求,而且诸如钢板等其他材料的表面检测也适用,且满足了企业对铜带表面缺陷信息检测以及存储的需求,并且在其他材料的缺陷检测同样适用,具有广阔的应用前景和市场价值。
Description
技术领域
本发明涉及一种模拟人类视觉感知机理的铜带表面缺陷辨识装置及方法,属于图像处理和人工智能领域。
背景技术
铜带是铜加工材料中的中药品种之一,不仅在电子、电气、通讯、仪表仪器、交通运输和机械制造等领域中应用广泛,而且如今新兴的产业,如现代通讯、电子和半导体产业的发展,使铜带的需求量剧增。
在铜带的生产过程中,由于种种原因会使铜带表面产生一些缺陷。这些缺陷虽小,却是潜在的隐患,能引发严重的生产事故。由此,发现并消除铜带表面的缺陷成为人们日益关注的问题。
目前在国内市场上,铜带的生产厂家采用的大多是人工目测的方法来完成其检测的工作,这种方法存在严重的缺陷,首先是其工作效率低,其次是这种方法的劳动强度比较大,最主要的是由于受人员技术素质、经验和肉眼分辨率等主观因素的影响,使得这种方式缺乏规范化与准确性。由此变引发了对自动缺陷检测系统的研究。
随着神经科学、计算机神经科学和解剖学的发展,人类视觉感知系统的研究不断深入。计算机视觉的兴起使得铜带表面缺陷的检测能够更加快速与准确。其主要原理是利用计算机来模拟仿真人眼的功能,采用自动化与智能化技术获取物体的图像,它可以只具有很少的人工干预就完成,整个过程通过计算机识别和控制,所以具有比较大的优越性,其优点有测量速度快、非接触、自动化程度高、精度高等。
计算机视觉涉及的领域也十分广泛,包含了图像处理的绝大部分内容,比如说图像的增强、图像的恢复、模式的识别等等;其实在高层的视觉分析内容中它也涉及了很多,如边缘提取、图像分割、图像纹理分析等。在不少学科的研究目标中也涉及到了计算机视觉。
然而,基于机器视觉的铜带表面缺陷分析如今发展的还不是很完备,所以铜带表面的缺陷检测仍旧是备受人们关注的问题。
发明内容
发明目的:为了克服目前对于铜带表面缺陷的识别率、缺陷检测的精度、识别速度和准确度以及存储铜带表面信息等方面的不足,本发明提供一种模拟人类视觉感知机理的铜带表面缺陷辨识装置及方法,主要特点是识别率比较高、并且识别的速度与精度都很高。
本发明采用的技术方案是:
一种模拟人类视觉感知机理的铜带表面缺陷辨识装置,包括采集单元、照明单元、感兴趣区域预处理装置、硬件处理模块、主计算机、监测终端;所述采集单元、感兴趣区域预处理装置、硬件处理模块、主计算机、监测终端依次连接;所述照明单元与硬件处理模块相连接;
所述采集单元包括红外线图像传感器、可见光图像传感器、激光图像传感器和视频图像采集卡;
所述红外线图像传感器、可见光图像传感器、激光图像传感器均与视频图像采集卡相连,所述视频图像采集卡设置有采集卡驱动程序接口模块;
所述视频图像采集卡与感兴趣区域预处理装置相连;所述照明单元包括照明装置和照明驱动模块,所述照明装置通过照明驱动模块与硬件处理模块相连接;
所述监测终端包括服务器、打印机、硬盘、人机交互界面,所述服务器与主计算机相连接,所述打印机、硬盘、人机交互界面分别与服务器相连。
前述的一种模拟人类视觉感知机理的铜带表面缺陷辨识装置,其特征在于:还包括紧急报警系统,所述紧急报警系统与视频图像采集卡相连接。
前述的一种模拟人类视觉感知机理的铜带表面缺陷辨识装置,所述采集卡驱动程序接口模块包括实时采集系统模块和ROI预处理模块。
基于上述的辨识装置的一种模拟人类视觉感知机理的铜带表面缺陷辨识方法,其特征在于,包括以下步骤:
步骤(1):图像采集:利用采集单元进行图像信息的采集与融合;
步骤(2):图像处理:将步骤(1)中采集与融合后的信息进行图像处理,包括:实时处理、预处理、图像增强、滤波处理、图像分割和边缘检测;
步骤(3):缺陷分类:首先将图像看成像素点集合,并进行邻接与连通,然后采用连通判别法进行区域标记,之后进行特征参数提取,并且将灰度值统计、几何特征以及矩特征作为模式分类系统的输入向量;
步骤(4):终端显示:通过主计算机与服务器相连将图像信息输出到人机交互界面、硬盘和打印机上,实现人机界面,存储与打印。
前述的模拟人类视觉感知机理的铜带表面缺陷辨识方法,其特征在于,所述步骤(1)利用采集单元进行图像信息的采集与融合的方法具体为进行图像信息的采集,经过图像的模糊处理和用小波变换使采集到的图像信息进行融合后得到图像的高精度融合信息。
前述的模拟人类视觉感知机理的铜带表面缺陷辨识方法,其特征在于,步骤(2)中所述图像增强是指:采用二次曲面拟合的方式对光照不均匀性进行校正,将光照不均匀模型简单化处理,不考虑各行中噪声的差异,设任意一行像素的点列为{(Xi,Yi)}i=0,1,…,4095,其中Xi为像素的行方向位置,Yi为灰度值;二次拟合曲线的数学模型采用简单抛物线模型:yi=axi 2+bx+c,其中,a、b、c为实数;
利用最小二乘法建立目标函数(1):
由多项式的极值条件得,公式(2):
将函数(1)代入公式(2),化简得到公式(3):
把公式(3)式写成矩阵形式:
利用高斯消元对上述矩阵求解,得到二次曲线方程Δy=Δx(a(x0+xi)+b),进而可确定各个点的校正方式,完成图像增强。
前述的模拟人类视觉感知机理的铜带表面缺陷辨识方法,其特征在于,步骤(2)中所述滤波处理是指:采用中值滤波法对图像进行平滑处理,包括以下步骤,
(1)确定一个以一个像素为中心的邻域;
(2)将邻域内的各个像素按灰度值进行排序后选择中间值作为输出的像素值,从而消除孤立的噪声点,其数学公式为公式(4):
其中Med-取中间值;fi-窗口中点值;n-窗口长度;窗口宽度为2M+1,要对滑动窗口内的样本进行排序,以完成取中间值操作。
前述的模拟人类视觉感知机理的铜带表面缺陷辨识方法,其特征在于,步骤(2)所述图像分割是指:将图像分成相互之间没有重叠的区域,并提取出感兴趣的区域的目标和技术的过程;将铜带表面缺陷图像与铜带的背景、不同区域的便面缺陷等分割开;采用直接阈值法进行图像分割,对于铜带表面图像。
前述的模拟人类视觉感知机理的铜带表面缺陷辨识方法,其特征在于,步骤(2)所述边缘检测是指:采用的是LOG算子进行边缘检测,LOG算子是采用滤波方法,包括以下步骤,
(1)采用高斯函数对图像进行平滑处理;
(2)采用拉普拉斯算子,根据二阶导数的过零点来检测图像的边界。
有益效果:本发明提供的模拟人类视觉感知机理的铜带表面缺陷辨识装置及方法,提高了铜带表面的缺陷检测和分类能力,并且提高了识别的精确度和速度,也有很高的效率,不但能满足当前企业对铜带表面信息检测的需求,而且诸如钢板等其他材料的表面检测也适用,且满足了企业对铜带表面缺陷信息检测以及存储的需求,并且在其他材料的缺陷检测同样适用,具有广阔的应用前景和市场价值。
附图说明
图1是本发明的模拟人类感知视觉机理的铜带表面缺陷辨识装置的系统框图。
图2是本发明的模拟人类感知视觉机理的铜带表面缺陷辨识装置的放置图。
图3是本发明的CCD工业摄像机的结构示意图。
图4是本发明的ROI预处理模块的处理流程图。
图5是本发明的采集系统模块的线程示意图。
图6是本发明的采集卡驱动程序接口模块的数据结构图。
图7是本发明的模拟人类感知视觉机理的铜带表面缺陷辨识方法的流程图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
本发明模拟人类感知视觉机理的铜带表面缺陷辨识装置的结构图,本发明包括采集单元、照明单元、感兴趣区域预处理装置、硬件处理模块、主计算机、监测终端;所述采集单元、感兴趣区域预处理装置、硬件处理模块、主计算机、监测终端依次连接;所述照明单元与硬件处理模块相连接,如图1所示,具体包括:
硬件处理模块11,硬件处理模块11采用FPGA和DSP相结合的硬件平台构成,硬件处理模块11的输入相连接的编码器5以及与硬件处理模块11的输出相连接的主计算机6。硬件处理模块11的嵌入式处理采用并行结构,实现图像的底层操作,然后将处理后的图片信息输出给主计算机6;
红外线图像传感器1、可见光图像传感器2与激光图像传感器3分别与视频图像采集卡14相连,视频图像采集卡14设置有采集卡驱动程序接口模块,并安装在铜带的上表面和下表面的附近位置,视频图像采集卡14在经过感兴趣区域(ROI)预处理装置12之后将图片信息通过硬件处理模块11的输入端口进行处理;
主计算机6的输出端口通过服务器7分别连接人机界面计算机10、硬盘9和打印机,能够提供远程查看,并且对图像信息存储以及打印。
整个装置由电源14供电,并且装有紧急报警系统13。
如图2所示,在铜带27的上下表面分别设置照明系统28和照明系统25,本发明中的照明系统采用东冠科技有限公司的型号为LT-191*18的LED窄条形线光源,CCD工业摄像机24和CCD工业摄像机26分别与图像采集卡29相连,组成图像信息采集硬件系统。
如图3所示,CCD工业摄像机26设有红外线传感器16、可见光传感器17与激光传感器18组成传感器组进行图像信息的采集,经过预处理系统19处理后进行传感器模糊选择20,传感器模糊选择20的输入端口接知识库23,知识库23是此系统的核心,其内部分为功能和数据两大模块。传感器模糊选择20根据图像融合处理22的反馈结果以及只是数据库23的信息,对传感器的性能参数进行配置,以便使得传感器工作在最佳状态。融合参数的传感器模糊选择21结合知识库23和融合处理22反馈的相关信息进行融合结构和算法部分的参数设置。
如图4、图5及图6所示,所述采集卡驱动程序接口模块包括实时采集系统模块和ROI预处理模块CCD工业摄像机26拍摄下来的图像经视频图像采集卡14,由采集线程完成数据的实时采集,处理线程完成数据的ROI检测,数据库线程完成数据的插入操作,采集系统模块主要满足多线程系统的资源同步性,在ROI图像处理时采用准实时方式,也采用多线程处理方式,包括显示线程、图像处理线程和缺陷分类线程。用户接口的操作由显示线程完成;图像处理线程自动提取数据库中待处理的新纪录;缺陷分类由缺陷分类线程完成,在图像采集系统中的数据库采用ODBC(Open Database Connectivity)开发方式,ODBC使用SQL作为访问数据库的标准语言。本系统采用的是SQL Server2000作为本源数据库,由一个原始信息表Original Defect Tb1记录ROI图像文件;并由缺陷信息表Defect Data Tb1记录系统的特征数据。
如图2所示,硬件系统设计中最关键的部分就是CCD工业摄像机26与视频图像采集卡14的选择,采用MV-1394接口黑白工业CCD摄像头MV-1300FM,一款高性能工业检测专用CCD摄像机,其主要优势为高分辨率(1280*1024)、高清晰度、高精度、低噪声等;视频图像采集卡14采用1394标准接口,因而传输过程中占用资源少,并且传输速度较快,CCD工业摄像机26的镜头维视图像公司的机器视觉工业镜头,型号为VS-1040M;视频图像采集卡14选用OC-64E0-IPRO0采集卡,该采集卡支持外触发模式,可连接增量性编码器。
如图7所示,基于上述的辨识装置的一种模拟人类视觉感知机理的铜带表面缺陷辨识方法,具体包括以下步骤:
第一步,图像采集:利用采集单元进行图像信息的采集与融合;
第二步,图像处理:将第一步中采集与融合后的信息进行图像处理,包括:实时处理、预处理、图像增强、滤波处理、图像分割和边缘检测;
第三步,缺陷分类:首先将图像看成像素点集合,并进行邻接与连通,然后采用连通判别法进行区域标记,之后进行特征参数提取,并且将灰度值统计、几何特征以及矩特征作为模式分类系统的输入向量;
第四步,终端显示:通过主计算机与服务器相连将图像信息输出到人机交互界面、硬盘和打印机上,实现人机界面,存储与打印。
其中第一步利用采集单元进行图像信息的采集与融合的方法具体为进行图像信息的采集,经过图像的模糊处理和用小波变换使采集到的图像信息进行融合后得到图像的高精度融合信息。
第二步中所述图像增强是指:采用二次曲面拟合的方式对光照不均匀性进行校正,将光照不均匀模型简单化处理,不考虑各行中噪声的差异,设任意一行像素的点列为{(Xi,Yi)}i=0,1,…,4095,其中Xi为像素的行方向位置,Yi为灰度值;二次拟合曲线的数学模型采用简单抛物线模型:yi=axi 2+bx+c,其中,a、b、c为实数;
利用最小二乘法建立目标函数(1):
由多项式的极值条件得,公式(2):
将函数(1)代入公式(2),化简得到公式(3):
把公式(3)式写成矩阵形式:
利用高斯消元对上述矩阵求解,得到二次曲线方程Δy=Δx(a(x0+xi)+b),进而可确定各个点的校正方式,完成图像增强。
第二步中所述滤波处理是指:采用中值滤波法对图像进行平滑处理,包括以下步骤,
(1)确定一个以一个像素为中心的邻域;
(2)将邻域内的各个像素按灰度值进行排序后选择中间值作为输出的像素值,从而消除孤立的噪声点,其数学公式为公式(4):
其中Med-取中间值;fi-窗口中点值;n-窗口长度;窗口宽度为2M+1,要对滑动窗口内的样本进行排序,以完成取中间值操作。
第二步中所述图像分割是指:将图像分成相互之间没有重叠的区域,并提取出感兴趣的区域的目标和技术的过程;将铜带表面缺陷图像与铜带的背景、不同区域的便面缺陷等分割开;采用直接阈值法进行图像分割,对于铜带表面图像,由于采用漫反射照明方式,而且图像函数f(x,y)=r(x,y)*i(x,y),其中r(x,y)为铜带表面反射率,i(x,y)为亮度分量,光照不均匀性采用预标定方式进行补偿。
第二步中所述边缘检测是指:采用的是LOG算子进行边缘检测,LOG算子是采用滤波方法,包括以下步骤,
(1)采用高斯函数对图像进行平滑处理;
(2)采用拉普拉斯算子,根据二阶导数的过零点来检测图像的边界。
综上所述,本发明提供的模拟人类视觉感知机理的铜带表面缺陷辨识装置及方法,提高了铜带表面的缺陷检测和分类能力,并且提高了识别的精确度和速度,也有很高的效率,不但能满足当前企业对铜带表面信息检测的需求,而且诸如钢板等其他材料的表面检测也适用,且满足了企业对铜带表面缺陷信息检测以及存储的需求,并且在其他材料的缺陷检测同样适用,具有广阔的应用前景和市场价值。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种模拟人类视觉感知机理的铜带表面缺陷辨识装置,包括采集单元、照明单元、感兴趣区域预处理装置、硬件处理模块、主计算机、监测终端;所述采集单元、感兴趣区域预处理装置、硬件处理模块、主计算机、监测终端依次连接;所述照明单元与硬件处理模块相连接;
所述采集单元包括红外线图像传感器、可见光图像传感器、激光图像传感器和视频图像采集卡;
所述红外线图像传感器、可见光图像传感器、激光图像传感器均与视频图像采集卡相连,所述视频图像采集卡设置有采集卡驱动程序接口模块;
所述视频图像采集卡与感兴趣区域预处理装置相连;所述照明单元包括照明装置和照明驱动模块,所述照明装置通过照明驱动模块与硬件处理模块相连接;
所述监测终端包括服务器、打印机、硬盘、人机交互界面,所述服务器与主计算机相连接,所述打印机、硬盘、人机交互界面分别与服务器相连。
2.根据权利要求1所述的一种模拟人类视觉感知机理的铜带表面缺陷辨识装置,其特征在于:还包括紧急报警系统,所述紧急报警系统与视频图像采集卡相连接。
3.根据权利要求1所述的一种模拟人类视觉感知机理的铜带表面缺陷辨识装置,所述采集卡驱动程序接口模块包括实时采集系统模块和ROI预处理模块。
4.一种模拟人类视觉感知机理的铜带表面缺陷辨识方法,其特征在于,包括以下步骤:
步骤(1):图像采集:利用采集单元进行图像信息的采集与融合;
步骤(2):图像处理:将步骤(1)中采集与融合后的信息进行图像处理,包括:实时处理、预处理、图像增强、滤波处理、图像分割和边缘检测;
步骤(3):缺陷分类:首先将图像看成像素点集合,并进行邻接与连通,然后采用连通判别法进行区域标记,之后进行特征参数提取,并且将灰度值统计、几何特征以及矩特征作为模式分类系统的输入向量;
步骤(4):终端显示:通过主计算机与服务器相连将图像信息输出到人机交互界面、硬盘和打印机上,实现人机界面,存储与打印。
5.根据权利要求4所述的模拟人类视觉感知机理的铜带表面缺陷辨识方法,其特征在于,所述步骤(1)利用采集单元进行图像信息的采集与融合的方法具体为进行图像信息的采集,经过图像的模糊处理和用小波变换使采集到的图像信息进行融合后得到图像的高精度融合信息。
6.根据权利要求4所述的模拟人类视觉感知机理的铜带表面缺陷辨识方法,其特征在于,步骤(2)中所述图像增强是指:采用二次曲面拟合的方式对光照不均匀性进行校正,将光照不均匀模型简单化处理,不考虑各行中噪声的差异,设任意一行像素的点列为{(Xi,Yi)}i=0,1,…,4095,其中Xi为像素的行方向位置,Yi为灰度值;二次拟合曲线的数学模型采用简单抛物线模型:yi=axi 2+bx+c,其中,a、b、c为实数;利用最小二乘法建立目标函数(1):
由多项式的极值条件得,公式(2):
将函数(1)代入公式(2),化简得到公式(3):
把公式(3)式写成矩阵形式:
利用高斯消元对上述矩阵求解,得到二次曲线方程Δy=Δx(a(x0+xi)+b),进而可确定各个点的校正方式,完成图像增强。
6、根据权利要求4所述的模拟人类视觉感知机理的铜带表面缺陷辨识方法,其特征在于,步骤(2)中所述滤波处理是指:采用中值滤波法对图像进行平滑处理,包括以下步骤,
(1)确定一个以一个像素为中心的邻域;
(2)将邻域内的各个像素按灰度值进行排序后选择中间值作为输出的像素值,从而消除孤立的噪声点,其数学公式为公式(4):
其中Med-取中间值;fi-窗口中点值;n-窗口长度;窗口宽度为2M+1,要对滑动窗口内的样本进行排序,以完成取中间值操作。
7.根据权利要求4所述的模拟人类视觉感知机理的铜带表面缺陷辨识方法,其特征在于,步骤(2)所述图像分割是指:将图像分成相互之间没有重叠的区域,并提取出感兴趣的区域的目标和技术的过程;将铜带表面缺陷图像与铜带的背景、不同区域的便面缺陷等分割开;采用直接阈值法进行图像分割,对于铜带表面图像。
8.根据权利要求4所述的模拟人类视觉感知机理的铜带表面缺陷辨识方法,其特征在于,步骤(2)所述边缘检测是指:采用的是LOG算子进行边缘检测,LOG算子是采用滤波方法,包括以下步骤,
(1)采用高斯函数对图像进行平滑处理;
(2)采用拉普拉斯算子,根据二阶导数的过零点来检测图像的边界。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013100098058A CN103091330A (zh) | 2013-01-11 | 2013-01-11 | 模拟人类视觉感知机理的铜带表面缺陷辨识装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013100098058A CN103091330A (zh) | 2013-01-11 | 2013-01-11 | 模拟人类视觉感知机理的铜带表面缺陷辨识装置及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103091330A true CN103091330A (zh) | 2013-05-08 |
Family
ID=48204163
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2013100098058A Pending CN103091330A (zh) | 2013-01-11 | 2013-01-11 | 模拟人类视觉感知机理的铜带表面缺陷辨识装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103091330A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105513077A (zh) * | 2015-12-11 | 2016-04-20 | 北京大恒图像视觉有限公司 | 一种用于糖尿病性视网膜病变筛查的系统 |
CN107677679A (zh) * | 2017-09-22 | 2018-02-09 | 武汉精测电子技术股份有限公司 | 一种aoi检测中l0画面的缺陷分类方法及装置 |
CN107782733A (zh) * | 2017-09-30 | 2018-03-09 | 中国船舶重工集团公司第七〇九研究所 | 金属表面缺陷的图像识别无损检测装置及方法 |
CN110118784A (zh) * | 2019-06-20 | 2019-08-13 | 山西大数据产业发展有限公司 | 基于机器视觉的钢卷表面质量缺陷检测系统 |
CN110181132A (zh) * | 2019-07-02 | 2019-08-30 | 哈尔滨工业大学 | 绝缘陶瓷涂层-金属电火花加工材料辨识的模糊伺服控制系统及方法 |
CN112881406A (zh) * | 2021-01-14 | 2021-06-01 | 广州大学 | 一种锌合金产品胚的外观检测方法、系统、装置及介质 |
CN117710369A (zh) * | 2024-02-05 | 2024-03-15 | 山东省科院易达信息科技有限公司 | 基于计算机视觉技术的金属铝磷化膜缺陷检测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000002668A (ja) * | 1998-06-15 | 2000-01-07 | Nkk Corp | 表面欠陥検出方法 |
CN101726498A (zh) * | 2009-12-04 | 2010-06-09 | 河海大学常州校区 | 基于视觉仿生的铜带表面质量智能检测装置及方法 |
CN201503590U (zh) * | 2009-10-19 | 2010-06-09 | 河海大学 | 复杂场景下图像目标提取与识别装置 |
CN102507592A (zh) * | 2011-11-01 | 2012-06-20 | 河海大学常州校区 | 表面缺陷仿蝇视觉在线检测装置及检测方法 |
CN102654464A (zh) * | 2012-03-13 | 2012-09-05 | 浙江工业大学 | 基于多特征模糊识别的铜带表面缺陷检测系统 |
-
2013
- 2013-01-11 CN CN2013100098058A patent/CN103091330A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000002668A (ja) * | 1998-06-15 | 2000-01-07 | Nkk Corp | 表面欠陥検出方法 |
CN201503590U (zh) * | 2009-10-19 | 2010-06-09 | 河海大学 | 复杂场景下图像目标提取与识别装置 |
CN101726498A (zh) * | 2009-12-04 | 2010-06-09 | 河海大学常州校区 | 基于视觉仿生的铜带表面质量智能检测装置及方法 |
CN102507592A (zh) * | 2011-11-01 | 2012-06-20 | 河海大学常州校区 | 表面缺陷仿蝇视觉在线检测装置及检测方法 |
CN102654464A (zh) * | 2012-03-13 | 2012-09-05 | 浙江工业大学 | 基于多特征模糊识别的铜带表面缺陷检测系统 |
Non-Patent Citations (4)
Title |
---|
张学武 等: "基于视觉仿生机理的铜带表面缺陷检测", 《中国图象图形学报》 * |
张洪涛: "钢板表面缺陷在线视觉检测系统关键技术研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
沈昱明 等: "机器视觉在铜带表面缺陷检测系统中的应用", 《电子测量技术》 * |
黄云龙: "基于多传感器信息融合的铜带表面缺陷检测研究", 《煤炭技术》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105513077A (zh) * | 2015-12-11 | 2016-04-20 | 北京大恒图像视觉有限公司 | 一种用于糖尿病性视网膜病变筛查的系统 |
CN105513077B (zh) * | 2015-12-11 | 2019-01-04 | 北京大恒图像视觉有限公司 | 一种用于糖尿病性视网膜病变筛查的系统 |
CN107677679A (zh) * | 2017-09-22 | 2018-02-09 | 武汉精测电子技术股份有限公司 | 一种aoi检测中l0画面的缺陷分类方法及装置 |
CN107782733A (zh) * | 2017-09-30 | 2018-03-09 | 中国船舶重工集团公司第七〇九研究所 | 金属表面缺陷的图像识别无损检测装置及方法 |
CN107782733B (zh) * | 2017-09-30 | 2021-03-16 | 中国船舶重工集团公司第七一九研究所 | 金属表面缺陷的图像识别无损检测装置及方法 |
CN110118784A (zh) * | 2019-06-20 | 2019-08-13 | 山西大数据产业发展有限公司 | 基于机器视觉的钢卷表面质量缺陷检测系统 |
CN110181132A (zh) * | 2019-07-02 | 2019-08-30 | 哈尔滨工业大学 | 绝缘陶瓷涂层-金属电火花加工材料辨识的模糊伺服控制系统及方法 |
CN112881406A (zh) * | 2021-01-14 | 2021-06-01 | 广州大学 | 一种锌合金产品胚的外观检测方法、系统、装置及介质 |
CN117710369A (zh) * | 2024-02-05 | 2024-03-15 | 山东省科院易达信息科技有限公司 | 基于计算机视觉技术的金属铝磷化膜缺陷检测方法及系统 |
CN117710369B (zh) * | 2024-02-05 | 2024-04-30 | 山东省科院易达信息科技有限公司 | 基于计算机视觉技术的金属铝磷化膜缺陷检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103091330A (zh) | 模拟人类视觉感知机理的铜带表面缺陷辨识装置及方法 | |
TWI557650B (zh) | 用於識別材料中之缺陷之系統及方法 | |
CN104504388B (zh) | 一种路面裂缝识别和特征提取算法及系统 | |
CN105388162B (zh) | 基于机器视觉的原料硅片表面划痕检测方法 | |
CN107389701A (zh) | 一种基于图像的pcb表观缺陷自动检测系统及方法 | |
CN104537651B (zh) | 一种路面图像中裂缝比例检测方法及系统 | |
CN107014819A (zh) | 一种太阳能电池板表面缺陷检测系统和方法 | |
CN103872983A (zh) | 太阳能电池表面缺陷检测设备及方法 | |
CN102998316B (zh) | 一种透明液体杂质检测系统及其检测方法 | |
CN104597057B (zh) | 一种基于机器视觉的柱状二极管表面缺陷检测装置 | |
CN103868935A (zh) | 基于计算机视觉的烟支外观质量检测方法 | |
CN102654464A (zh) | 基于多特征模糊识别的铜带表面缺陷检测系统 | |
CN103440035A (zh) | 一种三维空间中的手势识别系统及其识别方法 | |
CN113252568A (zh) | 基于机器视觉的镜片表面缺陷检测方法、系统、产品、终端 | |
CN103400117B (zh) | 一种基于计算机视觉的井下人员定位跟踪方法 | |
CN104198497A (zh) | 一种基于视觉显著图和支持向量机的表面缺陷检测方法 | |
CN116228651A (zh) | 一种布匹缺陷检测方法、系统、设备及介质 | |
Liu et al. | A survey of real-time surface defect inspection methods based on deep learning | |
CN106650735B (zh) | 一种led字符自动定位识别方法 | |
CN102980536B (zh) | 刹车片钢背平面度检测系统及方法 | |
CN103177426B (zh) | 一种基于形态学的强干扰激光边缘图像修复方法 | |
CN113570587A (zh) | 一种基于计算机视觉的光伏电池断栅检测方法及系统 | |
CN116740449A (zh) | 基于ai计算机视觉技术的刨花形态检测方法及系统 | |
CN110866917A (zh) | 一种基于机器视觉的药片类型及排列方式识别方法 | |
CN113820322B (zh) | 一种用于种子外观品质的检测装置及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20130508 |